Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và điều khiển hệ thống thủy lợi

Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3

NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
TRONG GIÁM SÁT VÀ ĐIỀU KHIỂN HỆ THỐNG THỦY LỢI
1

2

Ngô Đỗ Đăng Khoa , Ngô Đăng Hải
1
Trường Đại học Bách Khoa Hà Nội, email:
2
Trường Đại học Thủy lợi

1. GIỚI THIỆU CHUNG

3. KẾT QUẢ NGHIÊN CỨU

Hiện nay, để nâng cao hiệu quả quản lý
vận hành (QLVH) các hệ thống thủy lợi
(HTTL), nhiều công ty quản lý khai thác
HTTL đã bước đầu lập kế hoạch quản lý khai
thác và điều hành hệ thống theo hướng tiếp
cận các bài toán quy hoạch động và thời gian
thực (real-time) [1], [2]. Theo đó, khối lượng
tính tốn dự báo các yếu tố liên quan đến
QLVH bằng các mơ hình truyền thống
(chẳng hạn như: hồi quy, ARIMA…) là khá
lớn và mất nhiều thời gian hơn. Dẫn đến
nhiều khâu tính tốn để đưa ra các quyết định
điều hành khó đáp ứng yêu cầu real-time

trong quá trình giám sát và điều khiển
(SCADA). Do đó, chúng tơi đã tiến hành
thực hiện đề tài “Nghiên cứu ứng dụng trí tuệ
nhân tạo trong giám sát và điều khiển hệ
thống thủy lợi”.
Mục tiêu nghiên cứu là nhằm đề xuất mơ
hình “máy học” (Machine learning) thích hợp
để dự báo các yếu tố cần thiết về khí tượng,
thủy văn, bốc thốt hơi nước của cây trồng;
đồng thời chuẩn đoán sớm những sự cố thiết bị
trong quá trình giám sát và điều khiển tự động
từ xa các HTTL để góp phần thực hiện Đề án
784 “Nâng cao hiệu quả quản lý khai thác
cơng trình thủy lợi hiện có” và Chỉ thị số
6524/CT-BNN-KHCN về tăng cường năng
lực tiếp cận cuộc Cách mạng công nghiệp 4.0.

3.1. Kết quả xây dựng mơ hình máy học
và dự báo
Với phương pháp máy học, mơ hình dự
báo có thể được hiểu như một hộp đen, ở đó
khi đưa dữ liệu (khí tượng, thủy văn...) đầu
vào của ngày hôm nay và các ngày trước đó
sẽ thu được số liệu dự báo cho ngày mai.
Nhiệm vụ của máy học chính là xây dựng
“hộp đen“ đó từ các dữ liệu sẵn có thơng qua
một cấu trúc mạng nào đó. Trong những năm
gần đây, mạng nơ-ron (neural network) đã trở
nên phổ biến và được ứng dụng rộng rãi. Tuy
nhiên, với dữ liệu đầu vào là một chuỗi tuần

tự theo thời gian thì mạng nơ-ron truyền
thống khơng thích hợp để xây dựng mơ hình
dự báo. Các mơ hình mạng nơ-ron hồi quy
(Recurrent neural network) và đặc biệt sau
này là mạng bộ nhớ dài hạn (Long short-term
memory - LSTM) như ở hình 1 đã được sử
dụng để giải quyết các bài toán dự báo trên
chuỗi thời gian.

2. PHƯƠNG PHÁP NGHIÊN CỨU

Các phương pháp nghiên cứu được sử dụng:
- Phương pháp mơ hình hóa [1].
- Phương pháp máy học
- Phương pháp lập trình Python và xây dựng
mơ hình máy học với tensorflow, keras [3]...
- Phương pháp lập trình mạng Internet...

Hình 1. Cấu trúc tế bào LSTM
Tế bào LSTM gồm 4 thành phần: trạng
thái tế bào (Ct - cell state), cổng vào (it - input
gate), cổng ra (ot - output gate), cổng quên
(f t - forget gate) và đầu ra của nó là ht .

360


Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3

3.1.1. Xây dựng mơ hình dự báo dựa trên

Mạng bộ nhớ dài hạn (LSTM)
Thiết kế mạng LSTM cho mô hình dự báo:
- Cổng quên sẽ lấy đầu vào xt (ví dụ nhiệt
độ ngày hơm nay) và ht-1 (đầu ra của tế bào
trước - ứng với đầu vào xt-1 - dữ liệu trước đó
của chuỗi - nhiệt độ hơm qua), để đưa ra ft gồm lượng tin của đầu vào hiện tại và các
thơng tin từ đầu vào trước đó.
ft = σ(Wf ×[h t-1 ,xt ] + bf)
(1)
Hàm σ đưa ra giá trị trong đoạn 0 đến 1,
biểu thị tỉ lệ thông tin được lưu lại.
Tham số W trong các cơng thức chính là
thơng số mà mơ hình dự đốn sẽ học từ dữ
liệu, còn b là phần tử đơn vị.
- Cổng vào, ra được tính theo cơng thức:
it = σ(Wi ×[h t-1 ,x t ] + bi )
(2)
ot = σ(Wo ×[h t-1 ,xt ] + bo )
(3)
- Trạng thái tế bào Ct là hàm số của it và f t ,
nó sẽ thêm lượng tin từ đầu vào mới xt , giữ lại
hoặc loại bỏ các thông tin trước đó. Chẳng
hạn: nhiệt độ hơm qua nhiều khả năng sẽ
được giữ lại, cịn nhiệt độ tuần trước nếu như
khơng ảnh hưởng nhiều đến việc dự đoán sẽ
bị loại bỏ.
Ĉt = tanh(WC ×[h t-1 ,xt ] + bC)
(4)
Ct = ft *Ct-1 + it *Ĉt
(5)

- Đầu ra của tế bào ht : yếu tố khí tượng,
thủy văn là hàm số của ot và Ct (xét trên cả
q trình, nó là kết quả của hàm số gồm dữ
liệu đưa vào xt , đầu ra của tế bào trước đó ht-1
và trạng thái của tế bào hiện tại Ct ).
ht = ot *tanh(Ct )
(6)
Đề tài đã xây dựng mạng LSTM (Hình 2)
bằng cách xếp chồng các lớp LSTM (mỗi lớp
gồm các tế bào LSTM).

Cụ thể với bài toán dự báo nhiệt độ, như sau:
- Đầu vào (90,15,1): với chiều từ phải sang
trái là: chiều của dữ liệu (input_dim) bằng 1
(nhiệt độ ngày là 1 con số); tiếp đến bước thời
gian (time_step) bằng 15 là số phần tử liên
tiếp của chuỗi nhiệt độ đưa vào mơ hình
(hướng đến dự báo nhiệt độ ngày thứ 16);
cuối cùng là khối dữ liệu (batch_size): chọn
90 mẫu dữ liệu đưa vào mơ hình trong 1 lần
để huấn luyện
- Đầu ra của LSTM có chiều (khối dữ liệu,
bước thời gian, số nơ-ron) hoặc (khối dữ liệu,
số nơ-ron). Trong đó: số nơ-ron của một lớp
LSTM sẽ gồm các tế bào LSTM (càng nhiều
nơ-ron thì độ phức tạp tính tốn mơ hình càng
tăng). Đầu ra của LSTM được lấy ở tất cả các
tế bào hoặc chỉ ở tế bào cuối cùng…
- Lớp Dense đặt cuối cùng, kết hợp các tính
tốn ở lớp trước để đưa ra nhiệt độ dự báo.

- Mạng dự báo của đề tài được mở rộng
bằng nhiều lớp LSTM cùng với một số kĩ
thuật như Dropout (để tránh việc xây dựng ra
một mơ hình tốt trên tập huấn luyện, nhưng
lại không tốt khi dự báo thực tế (avoid
overfitting)...
3.1.2. Tập dữ liệu huấn luyện và kiểm định
Đề tài sử dụng các dữ liệu trung bình
ngày của nhiệt độ, ẩm độ, giờ nắng… ở trạm
Sơn Tây trong các năm từ 1991 - 2017 dưới
dạng file excel, trong đó lấy dữ liệu từ năm
1991 - 2016 làm tập huấn luyện và dành dữ
liệu năm 2017 làm tập kiểm định.
3.1.3. Xây dựng phần mềm dự báo theo
mơ hình máy học
Q trình xây dựng mơ hình và phần mềm
dự báo được thực hiện trên máy tính Lenovo
Y520, core i7700 HQ, GPU Nvidia 1050 với
mơi trường lập trình Python 3.5.
- Các thư viện được dùng cho lập trình là
keras, sklearn, matplotlib, numpy, pandas…
- Code lập trình [3], [4] để xây dựng mơ
hình như sau (trích lược):
model = Sequential()
model.add(CuDNNLSTM(48,batch_input_shap
e=(n_batch,n_step,fea),return_sequences
=True,stateful=True))
model.add(CuDNNLSTM(32,return_sequences
=True,stateful=True))
model.add(CuDNNLSTM(32,return_sequences…

model.add(CuDNNLSTM(16,return_sequences…
... model.add(Dropout(0.1))
model.add(CuDNNLSTM(12,return_sequences…
model.add(Dropout(0.1))
model.add(CuDNNLSTM(8, stateful=True))
model.add(Dense(1))...

Hình 2. Thiết kế mạng LSTM cơ bản
361


Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3

3.1.4. Kết quả kiểm định mơ hình dự báo
3.2. Kết quả liên kết mơ hình dự báo với
Ngun tắc kiểm định: bắt đầu dự báo cho mơ hình và phần mềm SCADA
3 tháng quý 1 năm 2017, rồi cập nhập dữ liệu
Mơ hình dự báo được liên kết với mơ hình và
tập huấn luyện, huấn luyện lại mơ hình; tiếp phần mềm SCADA thông qua Web Service
tục dự báo cho 3 tháng quý 2 rồi lại cập nhập trên đám mây điện toán (Cloud) [4], [5].
tập huấn luyện, huấn luyện lại mơ hình… Cứ
như vậy lặp lại cho đến hết quý 4 năm 2017.
Đánh giá sai số theo sai lệch căn trung bình
bình phương và tỉ lệ sai số (%) trung bình ngày
như bảng 1 (có so sánh với mơ hình ARIMA).
Bảng 1. Sai số dự báo
Mơ hình
LSTM
Yếu tố
đv đo %

Nhiệt độ (oC)
1.51 5.0
Độ ẩm (%)
5.2
4.3
Nắng (giờ)
1.97 7.0
Mực nước (cm) 35.0 5.4

Hình 4. Liên kết mơ hình dự báo với mơ hình
và phần mềm SCADA

ARIMA
đv đo
%
1.69
7.2
5.9
8.5
2.38
7.2
35.6
5.1

Các kết quả cho thấy mơ hình dự báo khá
chính xác với sai số lớn nhất khơng q 7%.
So với mơ hình ARIMA, nó cho kết quả dự
báo hầu như chính xác hơn.
3.1.5. Kết quả ứng dụng mơ hình dự báo
Mơ hình đã được ứng dụng để dự báo các

yếu tố khí tượng, thủy văn phục vụ giám sát
và điều khiển HTTL Phù Sa đầu vụ mùa năm
2018. Ví dụ: kết quả dự báo nhiệt độ như trên
hình 3 và ở bảng 2 (trích đoạn).

Hình 3. Dự báo nhiệt độ đầu vụ mùa 2018
Bảng 2. Kết quả dự báo nhiệt độ lớn nhất
Ngày
01/08/2018
02/08/2018
03/08/2018
04/08/2018
05/08/2018
06/08/2018
07/08/2018
08/08/2018
09/08/2018
10/08/2018

Dự báo (oC)
32.6
32.1
33.0
30.2
30.0
33.3
32.4
34.6
31.3
34.8

Thực đo (oC)
33
31
34
30
30
34
32
35
31
35

Sau khi huấn luyện ra mơ hình trên máy
cục bộ, mơ hình dự báo được đẩy lên Cloud.
Hằng ngày, phần mềm SCADA [1] gửi dữ
liệu thực đo và yêu cầu (request) đến Cloud
[2], [5] rồi nhận về dữ liệu dự báo cho ngày
hơm sau để tính tốn lập kế hoạch và đưa ra
các quyết định quản lý vận hành... Định kỳ
cứ 3 tháng, máy tính huấn luyện sẽ lấy dữ
liệu từ Cloud xuống để xây dựng mơ hình dự
báo mới, rồi lại đẩy lên Cloud...
4. KẾT LUẬN VÀ KIẾN NGHỊ

Ứng dụng mơ hình “máy học” với cấu trúc
mạng LSTM cho phép tính tốn dự báo
nhanh chóng, khá chính xác và đủ độ tin cậy
để cung cấp dữ liệu tức thời cho phần mềm
SCADA trong giám sát, điều khiển các

HTTL tự động từ xa và chuẩn đoán sớm
những sự cố thiết bị theo thời gian thực.
Liên kết mơ hình dự báo với phần mềm
SCADA thông qua Web Service trên đám
mây điện tốn là giải pháp tối ưu về cơng
nghệ và kinh tế...
4. TÀI LIỆU THAM KHẢO
[1] Ngô Đăng Hải, 2015. Nghiên cứu xây dựng
mơ hình hiện đại hóa quản lý vận hành
HTT, Nhà xuất bản Xây dựng, Hà Nội.
[2] Paul F. Boulos and Akshaya Niraula, 2016,
Optimize Operations Using Real-Time Data
and Predictive Tools. American Water
Works Association, USA.
[3] Sebastian Raschka, 2015. Python Machine
Learning, Packt Publishing, Birmingham, UK.
[4] Toby Segaran, 2007. Programming
Collective Intelligence, O’Reilly, USA.
[5] Cristina Turcu, 2012, An Internet of Things
Oriented Approach for Water Utility
Monitoring and Control. Romania.

362